Comments 11
В примере про лягушку. Confidence - это не коэффициент интеллекта, а уверенность. Уверенность сети в том выводе, который она сделала. Или иначе - оценка вероятности того, что вывод она сделала правильный. И далее вы видите в массиве три предположения сети о том, что изображено на картинке. И для каждого предположения указана вероятность. Так вот вероятности там отсортированы, и для третьего элемента там самая маленькая вероятность, всего 6% (сравните с 20% для первого элемента массива). Именно поэтому выведен самый первый результат, как имеющий наибольшую вероятность.
Ну а кому сейчас легко? Я так понимаю, что нейросеть выполняет predict на локальном компе, в браузере... Видимо не самая мощная архитектура сетки выполняется.
Насколько я понимаю, ресурсоемким является именно обучение модели. Когда она уже обучена - дальше нужно относительно небольшое количество вычислений (но все ещё очень много из-за того что на вхоже картинка и вам так или иначе нужно пройтись по всем пикселям), вопрос лишь к исходной модели. Но исходная модель растёт вместе с ростом корпуса (чем больше и точнее она может распознавать, тем больше размер самой модели), что для js библиотеки большая проблема.
видимо, для этой модели нашли такой баланс. Ну она распознала лягушку, даже конкретную (tree frog / древесная лягушка), что уже неплохо, как по мне
да распознает так неплохо, но немного слабо как по мне в сравнении с tensorflow
Думаю, вы путаете теплое с мягким. Tensorflow это библиотека, на которой можно построить нейросеть с любой нужной вам архитектурой, обучить её. ML5.js, насколько я понимаю, это готовый набор предобученных нейросетей нескольких архитектур, предназаначенный для выполнения в браузере.
Не совсем так. Это только один из примеров. Вот тут очень весёлый и эмоциональный мужик, он же один из разработчиков, показывает как за несколько минут можно накидать нейронку для классификации того к какой группе точек относится поставленная точка. Понятно, что вместо координат могут быть любые параметры и это классическая задача классификации. Фактически задаётся типовая нейронная сеть, число слоёв и число итераций для обучения. И там вроде много чего можно настраивать, создавать свои конфигурации сетей, но детально ещё не разбирался.
Да, все именно так)
Интересная статья, правда непонятно зачем создавать канвас именно через эту библиотеку? И вообще зачем нужен канвас вместо <img />?
хороший вопрос) я пробовал без канваса сразу же через img - но это не работает, типо устройство библиотеки требует чтобы был создан канвас для того чтобы нейронная сеть могла его использовать как свое рабочее поле - проще говоря всегда когда мы создаем канвас и загружаем туда изображение или видео, то это отдельное рабочее место для нейронной сети
ML5.JS — это как TensorFlow только без нижних уровней